在可解释机器学习模型中整合放射组学与肿瘤生物标志物
机器学习
2023-04-27 v1 计算机视觉与模式识别
应用统计
机器学习
摘要
尽管深度神经网络(DNNs)在计算机视觉中取得了前所未有的性能,但其利用医学影像进行癌症诊断和预后预测的实际应用仍受限。将诊断性DNN整合到放射学和肿瘤学应用中的关键挑战之一是其缺乏可解释性,使临床医生无法理解模型预测。因此,我们研究并提出了在可解释分类器中整合专家导出的放射组学与DNN预测的生物标志物,我们称之为ConRad,用于肺癌的计算机断层扫描(CT)。重要的是,肿瘤生物标志物由概念瓶颈模型(CBM)预测,因此一旦训练完成,我们的ConRad模型便不需要耗费人力和时间的生物标志物。在评估和实际应用中,ConRad的唯一输入是分割后的CT扫描。我们将所提模型与作为黑盒分类器的卷积神经网络(CNNs)进行比较。我们进一步在五种不同分类器中研究并评估了放射组学、预测生物标志物和CNN特征的所有组合。我们发现使用非线性SVM和带Lasso的逻辑回归的ConRad模型在五折交叉验证中优于其他模型,尽管我们强调ConRad的主要优势在于其可解释性。Lasso用于特征选择,在提高准确率的同时大幅减少了非零权重的数量。总体而言,所提出的ConRad模型将CBM导出的生物标志物和放射组学特征结合在一个可解释机器学习模型中,在肺结节恶性分类上表现优异。
引用
@article{arxiv.2303.11177,
title = {Integration of Radiomics and Tumor Biomarkers in Interpretable Machine Learning Models},
author = {Lennart Brocki and Neo Christopher Chung},
journal= {arXiv preprint arXiv:2303.11177},
year = {2023}
}